
# Все import соберем в начале проекта:

import warnings
warnings.filterwarnings('ignore')

import pandas as pd
import os
import seaborn as sns
import re

from skimpy import skim, clean_columns
from datetime import datetime
from tqdm.auto import tqdm

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec

from statsmodels.tsa.stattools import adfuller
from statsmodels.tsa.seasonal import seasonal_decompose
from datetime import datetime, timedelta

# В датасете 150 признаков: 50 Источников x 6 параметров
NUM_FEATURES = 3 # Ограничимся 3 источниками для демо-проекта

# Размер окна для проверки стационарности временного ряда
WINDOW_STATIONARITY = 7

# Настроим вид таблиц:
pd.set_option("display.max_rows", 50)
pd.set_option("display.max_columns", 50)


# Вспомогательная функция для чтения файлов с данными
def load_dataset(file_name, separator):
    '''
    Функция для проверки нахождения файла и загрузки датафрейма.
    '''
    if os.path.exists(file_name):
        data = pd.read_csv(file_name, sep = separator)
        print('Dataset "', file_name, '" is loaded successfully.', sep='')
        return data
    else:
        print('Something with', file_name, 'is wrong!')


# Загрузка данных по фактическому включению/выключению пиплметра         
df_dd = load_dataset('Daily_Duration_total.csv', ';')

Dataset "Daily_Duration_total.csv" is loaded successfully.


def view_skim_df(df):
    '''
    Функция для единообразного изучения датафреймов.
    1. Контроль размера датафрейма.
    2. Вывод основных данных по датафрейму.
    3. Распечатка на экране первых трёх объектов датафрейма.
    '''
    skim(df)
    display(df.head(3))
    print('Количество дубликатов:', df.duplicated().sum())    
    print('Полное количество пропущенных значений по всем признакам:', 
          df.isnull().sum().sum())
    
    return


# Изучим содержимое датафрейма:
view_skim_df(df_dd)

╭──────────────────────────────────────────────── skimpy summary ─────────────────────────────────────────────────╮
│          Data Summary                Data Types                                                                 │
│ ┏━━━━━━━━━━━━━━━━━━━┳━━━━━━━━┓ ┏━━━━━━━━━━━━━┳━━━━━━━┓                                                          │
│ ┃ dataframe         ┃ Values ┃ ┃ Column Type ┃ Count ┃                                                          │
│ ┡━━━━━━━━━━━━━━━━━━━╇━━━━━━━━┩ ┡━━━━━━━━━━━━━╇━━━━━━━┩                                                          │
│ │ Number of rows    │ 516    │ │ float64     │ 150   │                                                          │
│ │ Number of columns │ 152    │ │ string      │ 1     │                                                          │
│ └───────────────────┴────────┘ │ int32       │ 1     │                                                          │
│                                └─────────────┴───────┘                                                          │
│                                                     number                                                      │
│ ┏━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━┳━━━━━━━━┳━━━━━━━━━━━┳━━━━━━━━━━━┳━━━━━━━┳━━━━━━━┳━━━━━━━┳━━━━━━━┳━━━━━━━━┓  │
│ ┃ column_name               ┃ NA   ┃ NA %   ┃ mean      ┃ sd        ┃ p0    ┃ p25   ┃ p75   ┃ p100  ┃ hist   ┃  │
│ ┡━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━╇━━━━━━━━╇━━━━━━━━━━━╇━━━━━━━━━━━╇━━━━━━━╇━━━━━━━╇━━━━━━━╇━━━━━━━╇━━━━━━━━┩  │
│ │ 2gis Web Desktop Add      │    0 │      0 │     0.015 │     0.012 │     0 │  0.01 │  0.02 │  0.15 │   █▁   │  │
│ │ 2gis Web Desktop Add      │    0 │      0 │       3.9 │       2.5 │  0.25 │   2.5 │   4.7 │    26 │   █▃   │  │
│ │ 2gis App Mobile AddP      │    0 │      0 │      0.38 │      0.19 │  0.06 │  0.26 │  0.47 │     1 │ ▄█▅▂▁  │  │
│ │ 2gis App Mobile AddP      │    0 │      0 │       9.2 │       2.6 │   4.1 │   7.7 │    10 │    32 │  ██▁   │  │
│ │ 2gis Web Mobile AddP      │    0 │      0 │    0.0042 │    0.0053 │     0 │     0 │  0.01 │  0.04 │   █▅   │  │
│ │ 2gis Web Mobile AddP      │    0 │      0 │      0.94 │      0.44 │  0.17 │  0.68 │   1.1 │   5.4 │   █▃   │  │
│ │ Discord Web Desktop       │    0 │      0 │     0.013 │     0.014 │     0 │     0 │  0.02 │  0.11 │   █▃   │  │
│ │ Discord Web Desktop       │    0 │      0 │       4.5 │       4.1 │  0.29 │   1.9 │   5.6 │    30 │  █▂▁   │  │
│ │ Discord App Mobile A      │    0 │      0 │      0.49 │      0.62 │  0.01 │  0.12 │  0.44 │   2.6 │ █▁ ▁▁  │  │
│ │ Discord App Mobile A      │    0 │      0 │        20 │       5.8 │   6.8 │    16 │    23 │    53 │  ▂█▃▁  │  │
│ │ Discord Web Mobile A      │    2 │   0.39 │   0.00014 │    0.0013 │     0 │     0 │     0 │  0.02 │   █    │  │
│ │ Discord Web Mobile A      │    2 │   0.39 │      0.56 │       1.1 │  0.02 │  0.23 │  0.56 │    19 │   █    │  │
│ │ Facebook Web Desktop      │   16 │    3.1 │     0.018 │     0.019 │     0 │     0 │  0.03 │  0.08 │  █▃▂▂  │  │
│ │ Facebook Web Desktop      │   16 │    3.1 │        12 │        10 │  0.02 │   3.2 │    19 │    49 │ █▄▄▁▁  │  │
│ │ Facebook App Mobile       │    0 │      0 │     0.066 │     0.045 │     0 │  0.03 │  0.09 │  0.25 │  ▇█▅▁  │  │
│ │ Facebook App Mobile       │    0 │      0 │       9.1 │       5.2 │  0.46 │   4.5 │    12 │    27 │ ▆▅█▃▁  │  │
│ │ Facebook Web Mobile       │    0 │      0 │   0.00054 │    0.0033 │     0 │     0 │     0 │  0.06 │   █    │  │
│ │ Facebook Web Mobile       │    0 │      0 │       0.3 │      0.35 │  0.06 │  0.17 │  0.33 │   6.2 │   █    │  │
│ │ Google Карты Web Des      │    0 │      0 │     0.014 │    0.0091 │     0 │  0.01 │  0.02 │  0.07 │  █▃▁   │  │
│ │ Google Карты Web Des      │    0 │      0 │       4.4 │       2.9 │  0.46 │   2.5 │   5.3 │    22 │  █▅▁   │  │
│ │ Google Карты App Mob      │    0 │      0 │      0.18 │     0.081 │  0.04 │  0.13 │  0.23 │  0.55 │  ▃█▃▁  │  │
│ │ Google Карты App Mob      │    0 │      0 │       6.5 │       2.4 │     2 │   4.8 │   7.6 │    20 │  ▅█▃   │  │
│ │ Google Карты Web Mob      │    3 │   0.58 │   0.00019 │    0.0029 │     0 │     0 │     0 │  0.06 │   █    │  │
│ │ Google Карты Web Mob      │    3 │   0.58 │         1 │       2.3 │  0.02 │  0.27 │     1 │    37 │   █    │  │
│ │ Google Новости Web D      │  270 │     52 │         0 │         0 │     0 │     0 │     0 │     0 │     █  │  │
│ │ Google Новости Web D      │  270 │     52 │       1.1 │       1.4 │  0.02 │  0.21 │   1.4 │    11 │   █▁   │  │
│ │ Google Новости App M      │    8 │    1.6 │     0.001 │    0.0032 │     0 │     0 │     0 │  0.02 │  █  ▁  │  │
│ │ Google Новости App M      │    8 │    1.6 │       2.6 │       3.1 │  0.08 │  0.91 │     3 │    24 │   █▁   │  │
│ │ Google Новости Web M      │  310 │     61 │         0 │         0 │     0 │     0 │     0 │     0 │     █  │  │
│ │ Google Новости Web M      │  310 │     61 │      0.31 │       1.3 │  0.02 │  0.05 │  0.17 │    12 │   █    │  │
│ │ Kp Web Desktop AddPe      │    0 │      0 │    0.0066 │     0.008 │     0 │     0 │  0.01 │  0.06 │  ██▁   │  │
│ │ Kp Web Desktop AddPe      │    0 │      0 │       2.7 │       2.8 │  0.05 │   1.3 │   3.3 │    43 │   █    │  │
│ │ Kp App Mobile AddPer      │  270 │     52 │   4.1e-05 │   0.00064 │     0 │     0 │     0 │  0.01 │   █    │  │
│ │ Kp App Mobile AddPer      │  270 │     52 │       5.1 │       4.9 │  0.08 │   1.7 │   7.1 │    27 │  █▃▁▁  │  │
│ │ Kp Web Mobile AddPer      │    0 │      0 │    0.0068 │    0.0053 │     0 │     0 │  0.01 │  0.04 │   ▄█   │  │
│ │ Kp Web Mobile AddPer      │    0 │      0 │      0.63 │      0.32 │  0.19 │  0.44 │  0.72 │   3.9 │   █▁   │  │
│ │ Mail.ru Web Desktop       │    0 │      0 │     0.047 │     0.032 │     0 │  0.02 │  0.07 │  0.14 │ █▅▆▅▂▁ │  │
│ │ Mail.ru Web Desktop       │    0 │      0 │       4.4 │       2.2 │   0.2 │   3.3 │     5 │    26 │   █▄   │  │
│ │ Mail.ru App Mobile A      │    8 │    1.6 │     0.012 │     0.011 │     0 │     0 │  0.02 │  0.05 │ ▇█▅▂▁  │  │
│ │ Mail.ru App Mobile A      │    8 │    1.6 │       6.1 │       3.4 │  0.11 │   3.7 │   8.2 │    18 │ ▅██▃▁  │  │
│ │ Mail.ru Web Mobile A      │    0 │      0 │    0.0018 │     0.004 │     0 │     0 │     0 │  0.02 │  █  ▂  │  │
│ │ Mail.ru Web Mobile A      │    0 │      0 │      0.84 │      0.43 │  0.05 │  0.53 │   1.1 │   3.5 │  ▅█▂   │  │
│ │ OK Web Desktop AddPe      │    0 │      0 │      0.91 │       0.6 │  0.03 │  0.43 │   1.2 │   2.6 │ █▇█▂▃▁ │  │
│ │ OK Desktop AddPerU        │    0 │      0 │        31 │       8.9 │   9.1 │    26 │    38 │    67 │  ▂▆█▄  │  │
│ │ OK App Mobile AddPer      │    0 │      0 │       3.5 │       1.6 │  0.53 │   2.3 │   4.6 │   7.4 │ ▅▄█▇▄▁ │  │
│ │ OK App Mobile AddPer      │    0 │      0 │        25 │       7.9 │    10 │    18 │    30 │    43 │ ▄▇▆█▄▃ │  │
│ │ OK Web Mobile AddPer      │    0 │      0 │     0.073 │     0.043 │     0 │  0.04 │   0.1 │   0.2 │ ▆█▇▅▂▁ │  │
│ │ OK Web Mobile AddPer      │    0 │      0 │       3.7 │       1.6 │  0.51 │   2.6 │   4.7 │   8.8 │ ▃▆█▄▂  │  │
│ │ Sbermarket Web Deskt      │   23 │    4.5 │     0.005 │    0.0083 │     0 │     0 │  0.01 │  0.07 │   █▁   │  │
│ │ Sbermarket Desktop A      │   23 │    4.5 │       8.3 │       8.9 │  0.02 │   2.5 │    11 │    78 │   █▂   │  │
│ │ Sbermarket App Mobil      │    0 │      0 │     0.074 │     0.044 │  0.01 │  0.04 │   0.1 │  0.26 │  █▇▃▂  │  │
│ │ Sbermarket App Mobil      │    0 │      0 │        14 │       4.5 │   3.9 │    11 │    16 │    40 │  ▃█▃▁  │  │
│ │ Sbermarket Web Mobil      │    0 │      0 │   0.00052 │    0.0022 │     0 │     0 │     0 │  0.01 │   █    │  │
│ │ Sbermarket Web Mobil      │    0 │      0 │         2 │       3.1 │  0.05 │  0.62 │   2.3 │    38 │   █    │  │
│ │ Sbermegamarket Web D      │    0 │      0 │     0.029 │     0.026 │     0 │  0.01 │  0.04 │   0.2 │  █▂▁   │  │
│ │ Sbermegamarket Deskt      │    0 │      0 │       7.7 │       5.5 │  0.18 │   4.3 │    10 │    54 │   █▃   │  │
│ │ Sbermegamarket App M      │    0 │      0 │      0.05 │     0.031 │     0 │  0.03 │  0.07 │  0.24 │  ▇█▃▁  │  │
│ │ Sbermegamarket App M      │    0 │      0 │       9.7 │       4.5 │   2.4 │   6.9 │    11 │    49 │   █▄   │  │
│ │ Sbermegamarket Web M      │    0 │      0 │     0.011 │    0.0089 │     0 │  0.01 │  0.01 │  0.04 │ ▄█ ▂▁  │  │
│ │ Sbermegamarket Web M      │    0 │      0 │       2.4 │       2.1 │  0.32 │   1.3 │   2.7 │    18 │   █▁   │  │
│ │ Smi1 Web Desktop Add      │   71 │     14 │   0.00088 │    0.0028 │     0 │     0 │     0 │  0.01 │ █    ▁ │  │
│ │ Smi1 Desktop AddPerU      │   71 │     14 │       6.4 │        13 │  0.02 │  0.41 │   2.8 │    74 │   █▁   │  │
│ │ Smi1 App Mobile AddP      │  260 │     51 │    0.0002 │    0.0014 │     0 │     0 │     0 │  0.01 │   █    │  │
│ │ Smi1 App Mobile AddP      │  260 │     51 │       7.9 │       5.6 │  0.08 │   4.4 │    10 │    45 │  █▅▁   │  │
│ │ Smi1 Web Mobile AddP      │    0 │      0 │    0.0016 │    0.0038 │     0 │     0 │     0 │  0.02 │  █  ▁  │  │
│ │ Smi1 Web Mobile AddP      │    0 │      0 │      0.34 │      0.19 │  0.02 │   0.2 │  0.46 │   1.3 │  ▇█▄▁  │  │
│ │ Steam Web Desktop Ad      │    1 │   0.19 │     0.011 │     0.015 │     0 │     0 │  0.01 │  0.09 │  █▁▁   │  │
│ │ Steam Desktop AddPer      │    1 │   0.19 │       1.6 │       1.3 │  0.04 │   0.9 │     2 │    20 │   █    │  │
│ │ Steam App Mobile Add      │    0 │      0 │     0.029 │     0.042 │     0 │     0 │  0.03 │  0.22 │  █▁▁▁  │  │
│ │ Steam App Mobile Add      │    0 │      0 │       4.3 │       2.2 │  0.96 │     3 │   5.1 │    22 │   █▄   │  │
│ │ Steam Web Mobile Add      │    1 │   0.19 │    0.0025 │     0.012 │     0 │     0 │     0 │  0.23 │   █    │  │
│ │ Steam Web Mobile Add      │    1 │   0.19 │       1.3 │       1.7 │  0.07 │  0.55 │   1.5 │    26 │   █    │  │
│ │ Telegram Web Desktop      │    0 │      0 │     0.097 │     0.066 │  0.01 │  0.06 │  0.12 │   0.4 │  ▇█▂▁  │  │
│ │ Telegram Desktop Add      │    0 │      0 │       8.1 │         3 │     2 │   6.2 │   9.6 │    22 │  ▃█▅▁  │  │
│ │ Telegram App Mobile       │    0 │      0 │        18 │        10 │   5.5 │    14 │    18 │    52 │ ▃█ ▁▂  │  │
│ │ Telegram App Mobile       │    0 │      0 │        38 │       8.7 │    27 │    32 │    39 │    72 │ █▄ ▂▁  │  │
│ │ Telegram Web Mobile       │    0 │      0 │     0.001 │    0.0038 │     0 │     0 │     0 │  0.04 │   █▁   │  │
│ │ Telegram Web Mobile       │    0 │      0 │       1.7 │       3.4 │  0.06 │  0.33 │   1.4 │    30 │   █    │  │
│ │ Tiktok Web Desktop A      │    0 │      0 │    0.0061 │     0.019 │     0 │     0 │  0.01 │  0.25 │   █    │  │
│ │ Tiktok Desktop AddPe      │    0 │      0 │       3.2 │       5.2 │  0.05 │  0.88 │   3.1 │    49 │   █    │  │
│ │ Tiktok App Mobile Ad      │    0 │      0 │        20 │        15 │   4.3 │    12 │    19 │    58 │ ▅█   ▂ │  │
│ │ Tiktok App Mobile Ad      │    0 │      0 │        67 │        16 │    43 │    55 │    72 │   110 │ ▄█▅ ▁▂ │  │
│ │ Tiktok Web Mobile Ad      │    0 │      0 │      0.02 │    0.0079 │  0.01 │  0.02 │  0.02 │  0.06 │  ▃█▂   │  │
│ │ Tiktok Web Mobile Ad      │    0 │      0 │      0.83 │      0.26 │   0.3 │  0.66 │  0.96 │     3 │  ▆█▁   │  │
│ │ Vedomosti Web Deskto      │   58 │     11 │   4.4e-05 │   0.00066 │     0 │     0 │     0 │  0.01 │   █    │  │
│ │ Vedomosti Desktop Ad      │   58 │     11 │       1.5 │       1.8 │  0.02 │  0.58 │   1.7 │    18 │   █▁   │  │
│ │ Vedomosti App Mobile      │  480 │     93 │         0 │         0 │     0 │     0 │     0 │     0 │     █  │  │
│ │ Vedomosti App Mobile      │  480 │     93 │       2.3 │       1.5 │  0.17 │   1.3 │   2.7 │   5.4 │ ▄▅█ ▂▃ │  │
│ │ Vedomosti Web Mobile      │    0 │      0 │   0.00031 │    0.0017 │     0 │     0 │     0 │  0.01 │   █    │  │
│ │ Vedomosti Web Mobile      │    0 │      0 │      0.39 │      0.37 │  0.05 │  0.24 │   0.4 │   5.3 │   █    │  │
│ │ Viber Web Desktop Ad      │  210 │     41 │         0 │         0 │     0 │     0 │     0 │     0 │     █  │  │
│ │ Viber Desktop AddPer      │  210 │     41 │      0.81 │       1.1 │  0.02 │  0.12 │  0.96 │   6.8 │  █▁▁   │  │
│ │ Viber App Mobile Add      │    0 │      0 │       2.2 │      0.82 │  0.76 │   1.5 │   2.8 │   4.3 │ ▆███▂▂ │  │
│ │ Viber App Mobile Add      │    0 │      0 │        13 │         2 │   6.9 │    12 │    15 │    18 │  ▂▄█▅▁ │  │
│ │ Viber Web Mobile Add      │   11 │    2.1 │         0 │         0 │     0 │     0 │     0 │     0 │     █  │  │
│ │ Viber Web Mobile Add      │   11 │    2.1 │      0.23 │      0.47 │  0.02 │  0.08 │  0.23 │   8.3 │   █    │  │
│ │ Whatsapp Web Desktop      │    0 │      0 │     0.044 │     0.027 │     0 │  0.02 │  0.06 │  0.18 │  ▅█▃▁  │  │
│ │ Whatsapp Desktop Add      │    0 │      0 │       3.3 │       1.6 │  0.56 │   2.3 │     4 │    12 │  ▅█▂▁  │  │
│ │ Whatsapp App Mobile       │    0 │      0 │        21 │       5.3 │    12 │    17 │    25 │    31 │ ▆▅▆█▂▆ │  │
│ │ Whatsapp App Mobile       │    0 │      0 │        32 │       4.2 │    21 │    29 │    35 │    41 │ ▁▃▆█▅▂ │  │
│ │ Whatsapp Web Mobile       │    0 │      0 │   0.00025 │    0.0019 │     0 │     0 │     0 │  0.02 │   █    │  │
│ │ Whatsapp Web Mobile       │    0 │      0 │      0.33 │      0.36 │  0.05 │  0.18 │  0.36 │   4.3 │   █    │  │
│ │ Wildberries Web Desk      │    0 │      0 │      0.19 │       0.1 │  0.01 │  0.12 │  0.25 │  0.58 │ ▄█▅▂▁  │  │
│ │ Wildberries Desktop       │    0 │      0 │        12 │       4.5 │   1.8 │   9.9 │    14 │    38 │  ▂█▃   │  │
│ │ Wildberries App Mobi      │    0 │      0 │       2.3 │      0.71 │  0.72 │     2 │   2.8 │   3.8 │ ▄ ▇█▇▁ │  │
│ │ Wildberries App Mobi      │    0 │      0 │        14 │       2.1 │     9 │    13 │    15 │    20 │ ▂▄█▇▃▁ │  │
│ │ Wildberries Web Mobi      │    0 │      0 │     0.057 │     0.026 │  0.01 │  0.04 │  0.07 │  0.14 │ ▄█▅▂▁▁ │  │
│ │ Wildberries Web Mobi      │    0 │      0 │       2.4 │       0.6 │  0.89 │     2 │   2.7 │   4.5 │ ▁▄█▄▁  │  │
│ │ Youtube Web Desktop       │    0 │      0 │         5 │         2 │   1.7 │   3.7 │   6.1 │    10 │ ▅█▇▃▂▁ │  │
│ │ Youtube Desktop AddP      │    0 │      0 │        44 │         5 │    34 │    41 │    48 │    65 │ ▂█▆▂▁  │  │
│ │ Youtube App Mobile A      │    0 │      0 │        35 │        12 │    18 │    27 │    40 │    66 │ ▄█▃▁▁▂ │  │
│ │ Youtube App Mobile A      │    0 │      0 │        92 │         7 │    78 │    87 │    96 │   110 │ ▃▇█▅▂▁ │  │
│ │ Youtube Web Mobile A      │    0 │      0 │      0.36 │      0.13 │  0.09 │  0.27 │  0.42 │   1.1 │  ▃█▃▁  │  │
│ │ Youtube Web Mobile A      │    0 │      0 │        10 │       4.3 │   1.4 │   7.3 │    13 │    28 │ ▄█▇▂▁  │  │
│ │ ВКонтакте Web Deskto      │    0 │      0 │         2 │      0.83 │  0.68 │   1.5 │   2.4 │   4.8 │ ▄█▄▂▁  │  │
│ │ ВКонтакте Desktop Ad      │    0 │      0 │        21 │         3 │    13 │    19 │    23 │    32 │ ▁▄█▄▁  │  │
│ │ ВКонтакте App Mobile      │    0 │      0 │        18 │       8.4 │   4.3 │    13 │    27 │    33 │ ▅▄█▂▅▄ │  │
│ │ ВКонтакте App Mobile      │    0 │      0 │        42 │       5.1 │    30 │    38 │    46 │    53 │ ▂▅▇█▇▂ │  │
│ │ ВКонтакте Web Mobile      │    0 │      0 │      0.17 │     0.089 │  0.03 │  0.11 │  0.25 │  0.51 │  ▅█▄▃  │  │
│ │ ВКонтакте Web Mobile      │    0 │      0 │       1.6 │       0.6 │  0.63 │   1.1 │   2.1 │   3.9 │  █▇█▄  │  │
│ │ Дзен Web Desktop Add      │    0 │      0 │         1 │      0.63 │  0.03 │  0.39 │   1.5 │   2.2 │ █▃▅▇▄▄ │  │
│ │ Дзен Desktop AddPerU      │    0 │      0 │        15 │       7.7 │   1.1 │     9 │    20 │    32 │ ▄▄▅█▃▂ │  │
│ │ Дзен App Mobile AddP      │    0 │      0 │      0.45 │      0.32 │  0.01 │  0.12 │  0.67 │   1.4 │ █▄▆▃▂  │  │
│ │ Дзен App Mobile AddP      │    0 │      0 │        35 │        14 │   3.8 │    23 │    45 │    69 │ ▃▅▅█▄▁ │  │
│ │ Дзен Web Mobile AddP      │    0 │      0 │      0.98 │      0.47 │  0.19 │  0.51 │   1.4 │   2.2 │ ▇▂█▆▃  │  │
│ │ Дзен Web Mobile AddP      │    0 │      0 │       4.4 │       2.1 │   1.2 │   2.4 │   5.6 │    10 │ █▄█▂▃  │  │
│ │ Лента: Lenta Web Des      │   23 │    4.5 │    0.0016 │    0.0046 │     0 │     0 │     0 │  0.04 │   █▁   │  │
│ │ Лента: Lenta Desktop      │   23 │    4.5 │       4.5 │       6.7 │  0.02 │   1.3 │   5.1 │    85 │   █    │  │
│ │ Лента: Lenta App Mob      │    0 │      0 │     0.023 │     0.011 │     0 │  0.02 │  0.03 │  0.06 │ ▁▄█▄▂▁ │  │
│ │ Лента: Lenta App Mob      │    0 │      0 │       3.4 │       1.2 │  0.56 │   2.7 │   4.1 │    11 │  ▂█▂   │  │
│ │ Лента: Lenta Web Mob      │    0 │      0 │   0.00072 │    0.0045 │     0 │     0 │     0 │  0.07 │   █    │  │
│ │ Лента: Lenta Web Mob      │    0 │      0 │       1.2 │       1.6 │  0.07 │  0.59 │   1.3 │    27 │   █    │  │
│ │ Яндекс.Картинки Lent      │    0 │      0 │      0.14 │      0.07 │  0.04 │  0.09 │  0.18 │  0.52 │  ▇█▃   │  │
│ │ Яндекс.Картинки Lent      │    0 │      0 │       4.5 │       1.4 │   1.5 │   3.6 │   5.2 │   9.7 │ ▂▇█▃▁  │  │
│ │ Яндекс.Картинки App       │  520 │    100 │       nan │       nan │   nan │   nan │   nan │   nan │        │  │
│ │ Яндекс.Картинки App       │  520 │    100 │       nan │       nan │   nan │   nan │   nan │   nan │        │  │
│ │ Яндекс.Картинки Web       │    0 │      0 │     0.039 │     0.021 │     0 │  0.03 │  0.05 │  0.15 │  ▄█▄▁  │  │
│ │ Яндекс.Картинки Web       │    0 │      0 │       1.8 │       0.6 │  0.78 │   1.4 │     2 │   6.8 │   █▅   │  │
│ │ Яндекс.Карты Lenta W      │    0 │      0 │     0.079 │     0.042 │  0.01 │  0.05 │   0.1 │  0.31 │  ▅█▃▁  │  │
│ │ Яндекс.Карты Lenta D      │    0 │      0 │       5.7 │       2.4 │   1.1 │   4.2 │   6.8 │    18 │  ▃█▃   │  │
│ │ Яндекс.Карты App Mob      │    0 │      0 │      0.89 │      0.31 │  0.27 │  0.71 │   1.1 │   1.8 │ ▃▅█▄▂  │  │
│ │ Яндекс.Карты App Mob      │    0 │      0 │        12 │       3.1 │   4.8 │    10 │    14 │    22 │ ▂▄█▄▂  │  │
│ │ Яндекс.Карты Web Mob      │    0 │      0 │    0.0094 │    0.0071 │     0 │  0.01 │  0.01 │  0.05 │  ▃█▁   │  │
│ │ Яндекс.Карты Web Mob      │    0 │      0 │       2.2 │       1.2 │  0.19 │   1.5 │   2.6 │   9.1 │  ▆█▁▁  │  │
│ │ Яндекс.Новости Lenta      │  410 │     79 │         0 │         0 │     0 │     0 │     0 │     0 │     █  │  │
│ │ Яндекс.Новости Lenta      │  410 │     79 │      0.23 │      0.34 │  0.02 │  0.03 │  0.28 │   1.9 │  █▁▁   │  │
│ │ Яндекс.Новости App M      │  520 │    100 │       nan │       nan │   nan │   nan │   nan │   nan │        │  │
│ │ Яндекс.Новости App M      │  520 │    100 │       nan │       nan │   nan │   nan │   nan │   nan │        │  │
│ │ Яндекс.Новости Web M      │  200 │     38 │         0 │         0 │     0 │     0 │     0 │     0 │     █  │  │
│ │ Яндекс.Новости Web M      │  200 │     38 │     0.069 │     0.091 │  0.02 │  0.03 │  0.07 │  0.88 │   █    │  │
│ │ age                       │    0 │      0 │        29 │        19 │     0 │    12 │    45 │    55 │ ██████ │  │
│ └───────────────────────────┴──────┴────────┴───────────┴───────────┴───────┴───────┴───────┴───────┴────────┘  │
│                                                     string                                                      │
│ ┏━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━┳━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━━━┓  │
│ ┃ column_name               ┃ NA      ┃ NA %       ┃ words per row                ┃ total words              ┃  │
│ ┡━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━╇━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━━━┩  │
│ │ Date                      │       0 │          0 │                            1 │                      520 │  │
│ └───────────────────────────┴─────────┴────────────┴──────────────────────────────┴──────────────────────────┘  │
╰────────────────────────────────────────────────────── End ──────────────────────────────────────────────────────╯

Количество дубликатов: 0
Полное количество пропущенных значений по всем признакам: 7334


# Список индексов удаляемых признаков, за исключением Date и age и 
# количеством источников, задаваемый глобальной переменной NUM_FEATURES:

if NUM_FEATURES < 1: NUM_FEATURES = 1
if NUM_FEATURES > 25: NUM_FEATURES = 25

list_columns = [i for i in range(1 + NUM_FEATURES * 6, 
                                 len(df_dd.columns)-1)]
print('Количество удаляемых признаков:', len(list_columns))

df_dd.drop(df_dd.columns[list_columns], axis=1, inplace=True)
df_dd.head(2)

Количество удаляемых признаков: 132


df_dd['Date'] = pd.to_datetime(df_dd.Date, format='%d.%m.%Y')
df_dd.info()
print('Для проведения исследования данные собраны в период с',
    df_dd.Date.min(), 'по ', df_dd.Date.max())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 516 entries, 0 to 515
Data columns (total 20 columns):
 #   Column                        Non-Null Count  Dtype         
---  ------                        --------------  -----         
 0   Date                          516 non-null    datetime64[ns]
 1   2gis Web Desktop AddPerP      516 non-null    float64       
 2   2gis Web Desktop AddPerU      516 non-null    float64       
 3   2gis App Mobile AddPerP       516 non-null    float64       
 4   2gis App Mobile AddPerU       516 non-null    float64       
 5   2gis Web Mobile AddPerP       516 non-null    float64       
 6   2gis Web Mobile AddPerU       516 non-null    float64       
 7   Discord Web Desktop AddPerP   516 non-null    float64       
 8   Discord Web Desktop AddPerU   516 non-null    float64       
 9   Discord App Mobile AddPerP    516 non-null    float64       
 10  Discord App Mobile AddPerU    516 non-null    float64       
 11  Discord Web Mobile AddPerP    514 non-null    float64       
 12  Discord Web Mobile AddPerU    514 non-null    float64       
 13  Facebook Web Desktop AddPerP  500 non-null    float64       
 14  Facebook Web Desktop AddPerU  500 non-null    float64       
 15  Facebook App Mobile AddPerP   516 non-null    float64       
 16  Facebook App Mobile AddPerU   516 non-null    float64       
 17  Facebook Web Mobile AddPerP   516 non-null    float64       
 18  Facebook Web Mobile AddPerU   516 non-null    float64       
 19  age                           516 non-null    int64         
dtypes: datetime64[ns](1), float64(18), int64(1)
memory usage: 80.8 KB
Для проведения исследования данные собраны в период с 2023-04-01 00:00:00 по  2023-06-25 00:00:00


df_dd = df_dd.sort_values(by=['Date', 'age'])
df_dd.head(7)


def plot_average_daily_duration(df, key, list_6values):
    '''
    Функция вывода графиков 'Average Daily Duration'.
    '''
    fg = plt.figure(figsize=(9, 4), constrained_layout=True)
    gs = gridspec.GridSpec(ncols=2, nrows=1, figure=fg)
    
    fig_ax_1 = fg.add_subplot(gs[0, 0])
    for i in range(0, 6, 2):
        y_title = key + ' ' + list_6values[i]
        plt.plot(df['Date'], df[y_title], label=y_title)
    plt.xlabel('Дата', color = 'blue')
    plt.xticks(fontsize = 8, rotation=45)
    plt.ylabel('Average Daily Duration на население',
              fontsize = 8, color = 'blue') 
    plt.legend(bbox_to_anchor=(0.5, 1.3), loc='upper center')

    fig_ax_2 = fg.add_subplot(gs[0, 1])
    for i in range(1, 6, 2):
        y_title = key + ' ' + list_6values[i]
        plt.plot(df['Date'], df[y_title], label=y_title)  
    plt.xlabel('Дата', color = 'blue')
    plt.xticks(fontsize = 8, rotation=45)
    plt.ylabel('Average Daily Duration на пользователей',
              fontsize = 8, color = 'blue') 
    plt.legend(bbox_to_anchor=(0.5, 1.3), loc='upper center')

    plt.show()


dict_columns = {}

list_columns = df_dd.columns[1:-1]# Убрали Date и age
for num in range(0, len(list_columns), 6):
    key_dict = list_columns[num].split()[0]
    list_6col = []
    for i in range(6):
        list_6col.append(" ".join(list_columns[num+i].split()[1:]))
    dict_columns[key_dict] = list_6col


print('Количество источников информации:', len(dict_columns))
print('Список источников информации:', list(dict_columns.keys()))

Количество источников информации: 3
Список источников информации: ['2gis', 'Discord', 'Facebook']


for k_6col, v_6cols in dict_columns.items():
    plot_average_daily_duration(df_dd, k_6col, v_6cols)


def graph_trend_seasonality(num, list_columns, decomp):
    '''
    Функция графического представления тренда и сезонности.
    '''
    fg = plt.figure(figsize=(9, 3), constrained_layout=True)
    gs = gridspec.GridSpec(ncols=2, nrows=1, figure=fg)

    fig_ax_1 = fg.add_subplot(gs[0, 0])
    decomp.trend.plot(ax=plt.gca())
    plt.title(list_columns[num]+' - ТРЕНД', color = 'red')
    plt.xlabel('Дата получения контакта пользователя с медиа объектом.', 
               color = 'blue')
    plt.ylabel('Значение тренда.', color = 'blue'); 
    plt.legend()

    fig_ax_2 = fg.add_subplot(gs[0, 1])
    decomp.seasonal.plot(ax=plt.gca())
    plt.title(list_columns[num]+' - ПЕРИОД.', color = 'red')
    plt.xlabel('Дата контакта пользователя с медиа объектом.', 
               color = 'blue')
    plt.ylabel('Значение периодическое.', color = 'blue');
    plt.legend()

    plt.show()
        

def trend_seasonality(df, key_dict, list_columns):
    '''
    Функция расчёта тренда и сезонности временного ряда.
    '''
    for num in tqdm(range(len(list_columns))):
        # Создадим датафрейм и выберем для него 
        # признак 'Date' и один информационнный.
        for_decompose = df[['Date', list_columns[num]]]
        for_decompose.index = for_decompose['Date']
        for_decompose = for_decompose.drop('Date', axis=1)
        for_decompose.sort_index(inplace=True)
        for_decompose = for_decompose.resample('1D').sum()
        decomp = seasonal_decompose(for_decompose)  
        
        graph_trend_seasonality(num, list_columns, decomp)
    
    return decomp


key_dict = '2gis' # Установим в качестве источника информации '2gis'.
list_columns = [str(key_dict + ' ' + \
                dict_columns[key_dict][i]) for i in range(6)]

decomposed = trend_seasonality(df_dd, key_dict, list_columns)

  0%|          | 0/6 [00:00<?, ?it/s]


def volume_seasonal(df_dd, list_columns):
    '''
    Функция расчёта тренда и отображения сезонности временного ряда.
    '''
    for num in tqdm(range(0, len(list_columns), 2)):
        fg = plt.figure(figsize=(9, 3), constrained_layout=True)
        gs = gridspec.GridSpec(ncols=2, nrows=1, figure=fg)
        
        # Создадим датафрейм и выберем для него 
        # признак 'Date' и один информационнный.
        for_decompose = df_dd[['Date', list_columns[num]]]
        for_decompose.index = for_decompose['Date']
        for_decompose = for_decompose.drop('Date', axis=1)
        for_decompose.sort_index(inplace=True)
        for_decompose = for_decompose.resample('1D').sum()
        decomp = seasonal_decompose(for_decompose)

        fig_ax_1 = fg.add_subplot(gs[0, 0])
        decomp.seasonal[date_start:date_stop].plot(ax=plt.gca())
        plt.title(list_columns[num]+' - ПЕРИОД', color = 'red')
        plt.xlabel('Дата контакта пользователя с медиа объектом.', 
                   color = 'blue')
        plt.ylabel('Значение тренда.', color = 'blue'); 
        
        
        for_decompose = df_dd[['Date', list_columns[num+1]]]
        for_decompose.index = for_decompose['Date']
        for_decompose = for_decompose.drop('Date', axis=1)
        for_decompose.sort_index(inplace=True)
        for_decompose = for_decompose.resample('1D').sum()
        decomp = seasonal_decompose(for_decompose)

        fig_ax_2 = fg.add_subplot(gs[0, 1])
        decomp.seasonal[date_start:date_stop].plot(ax=plt.gca())
        plt.title(list_columns[num+1]+' - ПЕРИОД.', color = 'red')
        plt.xlabel('Дата контакта пользователя с медиа объектом.', 
                   color = 'blue')
        plt.ylabel('Значение периодическое.', color = 'blue');

        plt.tight_layout() 

        
def calc_print_weekday(date_start, date_stop):
    '''
    Функция нахождения названий дней недели.
    '''
    date_tmp = datetime.strptime(date_start, '%Y-%m-%d')
    date_end = datetime.strptime(date_stop, '%Y-%m-%d')
    labels = []

    while date_tmp <= date_end: 
        labels.append(str(date_tmp.strftime('%y-%m-%d')) + \
                      ' - ' + date_tmp.strftime('%a'))
        date_tmp = date_tmp + timedelta(days=1)

    print('Дни недели:')
    n = 0
    for lab in labels:
        if n < 3:
            print(lab, 10*' ', end='')
            n = n +1
        else:
            print(lab, end='\n')
            n = 0


# Проверим правильность выбранного источника информации.
print(list_columns)

['2gis Web Desktop AddPerP', '2gis Web Desktop AddPerU', '2gis App Mobile AddPerP', '2gis App Mobile AddPerU', '2gis Web Mobile AddPerP', '2gis Web Mobile AddPerU']


date_start, date_stop = '2023-04-01', '2023-04-16'
 
calc_print_weekday(date_start, date_stop) 
volume_seasonal(df_dd, list_columns)

Дни недели:
23-04-01 - Sat           23-04-02 - Sun           23-04-03 - Mon           23-04-04 - Tue
23-04-05 - Wed           23-04-06 - Thu           23-04-07 - Fri           23-04-08 - Sat
23-04-09 - Sun           23-04-10 - Mon           23-04-11 - Tue           23-04-12 - Wed
23-04-13 - Thu           23-04-14 - Fri           23-04-15 - Sat           23-04-16 - Sun

  0%|          | 0/3 [00:00<?, ?it/s]


def visual_stationarity_1(fg, gs, df, list_columns, num, pos):
    '''
    Функция построения 'скользящего среднего' единичного графика.
    '''
    # Зададим временный датафрейм c признаком для рассчитываемых 
    # тестовых значений скользящего среднего:
    df_tmp = df[['Date', list_columns[num+pos], 'age']].copy()
    df_tmp = df_tmp.sort_values(by=['Date', 'age'])
    df_tmp = df_tmp.groupby(['Date']).sum()[[list_columns[num+pos]]]
    df_tmp['mean'] = (df_tmp[list_columns[num+pos]].
                      rolling(window = WINDOW_STATIONARITY).
                      mean() )

    fig_ax_1 = fg.add_subplot(gs[0, 0+pos])
    plt.plot(df_tmp[list_columns[num+pos]], 
         label = 'Кол-во контактов по дням', color = 'steelblue')
    plt.plot(df_tmp['mean'], 
         label = 'Скользящее среднее за неделю', color = 'orange')

    plt.legend(title = 'Графики:', loc = 'upper left')        
    plt.xticks(fontsize = 8, rotation=15)
    plt.ylabel('Кол-во контактов.', color = 'blue')
    plt.title(list_columns[num+pos], color = 'red')

def visual_stationarity_6(df, list_columns):
    '''
    Функция построения 'скользящего среднего' 6-и графиков.
    '''
    for num in tqdm(range(0, len(list_columns), 2)):
        fg = plt.figure(figsize=(9, 3), constrained_layout=True)
        gs = gridspec.GridSpec(ncols=2, nrows=1, figure=fg)
    
        visual_stationarity_1(fg, gs, df, list_columns, num, 0)
        visual_stationarity_1(fg, gs, df, list_columns, num, 1)      

        plt.tight_layout()


# Проверим правильность выбранного источника информации.
print(list_columns)

['2gis Web Desktop AddPerP', '2gis Web Desktop AddPerU', '2gis App Mobile AddPerP', '2gis App Mobile AddPerU', '2gis Web Mobile AddPerP', '2gis Web Mobile AddPerU']


visual_stationarity_6(df_dd, list_columns)

  0%|          | 0/3 [00:00<?, ?it/s]


# Настроим, чтобы числа в датасетах отражались с 3 знаками после запятой
pd.set_option('display.float_format', '{:.3f}'.format) 

df_test_DF = pd.DataFrame(columns=[
    'source', 'ADF criterion', 'P-value', 'Critical value 1%',
    'Critical values 5%', 'Conclusion'])


def test_DF(df, columns):
    '''
    Функция проведения теста 'Дики-Фуллера' для проверки стационарности.
    '''
    for col in columns:
        # Передадим функции 'adfuller' данные по изучаемому признаку и
        # сохраним результат в переменной adf_test:
        adf_test = adfuller(df[col].fillna(0))
        if adf_test[0] < adf_test[4]["5%"]:
            df_test_DF.loc[len(df_test_DF.index )] =(
                [col, adf_test[0], adf_test[1], adf_test[4]["1%"],
                 adf_test[4]["5%"], "Стационарен."])
        else:
            df_test_DF.loc[len(df_test_DF.index )] =(
                [col, adf_test[0], adf_test[1], adf_test[4]["1%"],
                 adf_test[4]["5%"],"НЕ стационарен!"])
# adf_test[4]["10%"] - если интересно!


# Запуск исполнения теста
test_DF(df_dd, list_columns)

# Просмотр датафрейма с результатами
display(df_test_DF) 

# Удалим ненужный более датафрейм
del df_test_DF


key_dict = 'Discord' # Установим в качестве источника информации 'Discord'.
list_columns = [str(key_dict + ' ' + \
                dict_columns[key_dict][i]) for i in range(6)]

decomposed = trend_seasonality(df_dd, key_dict, list_columns)

  0%|          | 0/6 [00:00<?, ?it/s]


# Проверим правильность выбранного источника информации.
print(list_columns)

['Discord Web Desktop AddPerP', 'Discord Web Desktop AddPerU', 'Discord App Mobile AddPerP', 'Discord App Mobile AddPerU', 'Discord Web Mobile AddPerP', 'Discord Web Mobile AddPerU']


date_start, date_stop = '2023-04-01', '2023-04-16'
 
calc_print_weekday(date_start, date_stop) 
volume_seasonal(df_dd, list_columns)

Дни недели:
23-04-01 - Sat           23-04-02 - Sun           23-04-03 - Mon           23-04-04 - Tue
23-04-05 - Wed           23-04-06 - Thu           23-04-07 - Fri           23-04-08 - Sat
23-04-09 - Sun           23-04-10 - Mon           23-04-11 - Tue           23-04-12 - Wed
23-04-13 - Thu           23-04-14 - Fri           23-04-15 - Sat           23-04-16 - Sun

  0%|          | 0/3 [00:00<?, ?it/s]


# Проверим правильность выбранного источника информации.
print(list_columns)

['Discord Web Desktop AddPerP', 'Discord Web Desktop AddPerU', 'Discord App Mobile AddPerP', 'Discord App Mobile AddPerU', 'Discord Web Mobile AddPerP', 'Discord Web Mobile AddPerU']


visual_stationarity_6(df_dd, list_columns)

  0%|          | 0/3 [00:00<?, ?it/s]


# Настроим, чтобы числа в датасетах отражались с 3 знаками после запятой
pd.set_option('display.float_format', '{:.3f}'.format) 

df_test_DF = pd.DataFrame(columns=[
    'source', 'ADF criterion', 'P-value', 'Critical value 1%',
    'Critical values 5%', 'Conclusion'])

# Запуск исполнения теста
test_DF(df_dd, list_columns)

# Просмотр датафрейма с результатами
display(df_test_DF) 

# Удалим ненужный более датафрейм
del df_test_DF


key_dict = 'Facebook' # Установим в качестве источника информации 'Discord'.
list_columns = [str(key_dict + ' ' + \
                dict_columns[key_dict][i]) for i in range(6)]

decomposed = trend_seasonality(df_dd, key_dict, list_columns)

  0%|          | 0/6 [00:00<?, ?it/s]


# Проверим правильность выбранного источника информации.
print(list_columns)

['Facebook Web Desktop AddPerP', 'Facebook Web Desktop AddPerU', 'Facebook App Mobile AddPerP', 'Facebook App Mobile AddPerU', 'Facebook Web Mobile AddPerP', 'Facebook Web Mobile AddPerU']


date_start, date_stop = '2023-04-01', '2023-04-16'
 
calc_print_weekday(date_start, date_stop) 
volume_seasonal(df_dd, list_columns)

Дни недели:
23-04-01 - Sat           23-04-02 - Sun           23-04-03 - Mon           23-04-04 - Tue
23-04-05 - Wed           23-04-06 - Thu           23-04-07 - Fri           23-04-08 - Sat
23-04-09 - Sun           23-04-10 - Mon           23-04-11 - Tue           23-04-12 - Wed
23-04-13 - Thu           23-04-14 - Fri           23-04-15 - Sat           23-04-16 - Sun

  0%|          | 0/3 [00:00<?, ?it/s]


# Проверим правильность выбранного источника информации.
print(list_columns)

['Facebook Web Desktop AddPerP', 'Facebook Web Desktop AddPerU', 'Facebook App Mobile AddPerP', 'Facebook App Mobile AddPerU', 'Facebook Web Mobile AddPerP', 'Facebook Web Mobile AddPerU']


visual_stationarity_6(df_dd, list_columns)

  0%|          | 0/3 [00:00<?, ?it/s]


# Настроим, чтобы числа в датасетах отражались с 3 знаками после запятой
pd.set_option('display.float_format', '{:.3f}'.format) 

df_test_DF = pd.DataFrame(columns=[
    'source', 'ADF criterion', 'P-value', 'Critical value 1%',
    'Critical values 5%', 'Conclusion'])

# Запуск исполнения теста
test_DF(df_dd, list_columns)

# Просмотр датафрейма с результатами
display(df_test_DF) 

# Удалим ненужный более датафрейм
del df_test_DF


print("Размер полного датафрейма:", df_dd.shape)

Размер полного датафрейма: (516, 20)


df_dd_0 = df_dd[df_dd.age == 0]
if (df_dd.shape[0] / 6 == df_dd_0.shape[0]):
    print("Выделение части датафрейма проведено корректно.")
else:
    print("Произошла потеря данных!")
    
print("Размер датафрейма по возрастной категории 'до 12 лет':", 
      df_dd_0.shape)
df_dd_0.head(3)

Выделение части датафрейма проведено корректно.
Размер датафрейма по возрастной категории 'до 12 лет': (86, 20)


dict_columns = {}

list_columns = df_dd_0.columns[1:-1]# Убрали Date и age
for num in range(0, len(list_columns), 6):
    key_dict = list_columns[num].split()[0]
    list_6col = []
    for i in range(6):
        list_6col.append(" ".join(list_columns[num+i].split()[1:]))
    dict_columns[key_dict] = list_6col


for k_6col, v_6cols in dict_columns.items():
    plot_average_daily_duration(df_dd_0, k_6col, v_6cols)


key_dict = '2gis' # Установим в качестве источника информации '2gis'.
list_columns = [str(key_dict + ' ' + \
                dict_columns[key_dict][i]) for i in range(6)]

decomposed = trend_seasonality(df_dd_0, key_dict, list_columns)

  0%|          | 0/6 [00:00<?, ?it/s]


# Проверим правильность выбранного источника информации.
print(list_columns)

['2gis Web Desktop AddPerP', '2gis Web Desktop AddPerU', '2gis App Mobile AddPerP', '2gis App Mobile AddPerU', '2gis Web Mobile AddPerP', '2gis Web Mobile AddPerU']


date_start, date_stop = '2023-04-01', '2023-04-16'
 
calc_print_weekday(date_start, date_stop) 
volume_seasonal(df_dd_0, list_columns)

Дни недели:
23-04-01 - Sat           23-04-02 - Sun           23-04-03 - Mon           23-04-04 - Tue
23-04-05 - Wed           23-04-06 - Thu           23-04-07 - Fri           23-04-08 - Sat
23-04-09 - Sun           23-04-10 - Mon           23-04-11 - Tue           23-04-12 - Wed
23-04-13 - Thu           23-04-14 - Fri           23-04-15 - Sat           23-04-16 - Sun

  0%|          | 0/3 [00:00<?, ?it/s]


visual_stationarity_6(df_dd_0, list_columns)

  0%|          | 0/3 [00:00<?, ?it/s]


# Настроим, чтобы числа в датасетах отражались с 3 знаками после запятой
pd.set_option('display.float_format', '{:.3f}'.format) 

df_test_DF = pd.DataFrame(columns=[
    'source', 'ADF criterion', 'P-value', 'Critical value 1%',
    'Critical values 5%', 'Conclusion'])

# Запуск исполнения теста
test_DF(df_dd_0, list_columns)

# Просмотр датафрейма с результатами
display(df_test_DF) 

# Удалим ненужный более датафрейм
del df_test_DF


key_dict = 'Discord' # Установим в качестве источника информации 'Discord'.
list_columns = [str(key_dict + ' ' + \
                dict_columns[key_dict][i]) for i in range(6)]

decomposed = trend_seasonality(df_dd_0, key_dict, list_columns)

  0%|          | 0/6 [00:00<?, ?it/s]


date_start, date_stop = '2023-04-01', '2023-04-16'
 
calc_print_weekday(date_start, date_stop) 
volume_seasonal(df_dd_0, list_columns)

Дни недели:
23-04-01 - Sat           23-04-02 - Sun           23-04-03 - Mon           23-04-04 - Tue
23-04-05 - Wed           23-04-06 - Thu           23-04-07 - Fri           23-04-08 - Sat
23-04-09 - Sun           23-04-10 - Mon           23-04-11 - Tue           23-04-12 - Wed
23-04-13 - Thu           23-04-14 - Fri           23-04-15 - Sat           23-04-16 - Sun

  0%|          | 0/3 [00:00<?, ?it/s]


visual_stationarity_6(df_dd_0, list_columns)

  0%|          | 0/3 [00:00<?, ?it/s]


# Настроим, чтобы числа в датасетах отражались с 3 знаками после запятой
pd.set_option('display.float_format', '{:.3f}'.format) 

df_test_DF = pd.DataFrame(columns=[
    'source', 'ADF criterion', 'P-value', 'Critical value 1%',
    'Critical values 5%', 'Conclusion'])

# Запуск исполнения теста
test_DF(df_dd_0, list_columns)

# Просмотр датафрейма с результатами
display(df_test_DF) 

# Удалим ненужный более датафрейм
del df_test_DF


key_dict = 'Facebook' # Установим в качестве источника информации 'Discord'.
list_columns = [str(key_dict + ' ' + \
                dict_columns[key_dict][i]) for i in range(6)]

decomposed = trend_seasonality(df_dd_0, key_dict, list_columns)

  0%|          | 0/6 [00:00<?, ?it/s]


date_start, date_stop = '2023-04-01', '2023-04-16'
 
calc_print_weekday(date_start, date_stop) 
volume_seasonal(df_dd_0, list_columns)

Дни недели:
23-04-01 - Sat           23-04-02 - Sun           23-04-03 - Mon           23-04-04 - Tue
23-04-05 - Wed           23-04-06 - Thu           23-04-07 - Fri           23-04-08 - Sat
23-04-09 - Sun           23-04-10 - Mon           23-04-11 - Tue           23-04-12 - Wed
23-04-13 - Thu           23-04-14 - Fri           23-04-15 - Sat           23-04-16 - Sun

  0%|          | 0/3 [00:00<?, ?it/s]


visual_stationarity_6(df_dd_0, list_columns)

  0%|          | 0/3 [00:00<?, ?it/s]


# Настроим, чтобы числа в датасетах отражались с 3 знаками после запятой
pd.set_option('display.float_format', '{:.3f}'.format) 

df_test_DF = pd.DataFrame(columns=[
    'source', 'ADF criterion', 'P-value', 'Critical value 1%',
    'Critical values 5%', 'Conclusion'])

# Запуск исполнения теста
test_DF(df_dd_0, list_columns)

# Просмотр датафрейма с результатами
display(df_test_DF) 

# Удалим ненужный более датафрейм
del df_test_DF


# уберем из памяти ненужный более датафрейм.
del df_dd_0


print("Размер полного датафрейма:", df_dd.shape)

df_dd_12 = df_dd[df_dd.age == 12]
if (df_dd.shape[0] / 6 == df_dd_12.shape[0]):
    print("Выделение части датафрейма проведено корректно.")
else:
    print("Произошла потеря данных!")
    
print("Размер датафрейма по возрастной категории 'до 12 лет':", 
      df_dd_12.shape)
df_dd_12.head(3)

Размер полного датафрейма: (516, 20)
Выделение части датафрейма проведено корректно.
Размер датафрейма по возрастной категории 'до 12 лет': (86, 20)


dict_columns = {}

list_columns = df_dd_12.columns[1:-1]# Убрали Date и age
for num in range(0, len(list_columns), 6):
    key_dict = list_columns[num].split()[0]
    list_6col = []
    for i in range(6):
        list_6col.append(" ".join(list_columns[num+i].split()[1:]))
    dict_columns[key_dict] = list_6col


for k_6col, v_6cols in dict_columns.items():
    plot_average_daily_duration(df_dd_12, k_6col, v_6cols)


key_dict = '2gis' # Установим в качестве источника информации '2gis'.
list_columns = [str(key_dict + ' ' + \
                dict_columns[key_dict][i]) for i in range(6)]

decomposed = trend_seasonality(df_dd_12, key_dict, list_columns)

  0%|          | 0/6 [00:00<?, ?it/s]


date_start, date_stop = '2023-04-01', '2023-04-16'
 
calc_print_weekday(date_start, date_stop) 
volume_seasonal(df_dd_12, list_columns)

Дни недели:
23-04-01 - Sat           23-04-02 - Sun           23-04-03 - Mon           23-04-04 - Tue
23-04-05 - Wed           23-04-06 - Thu           23-04-07 - Fri           23-04-08 - Sat
23-04-09 - Sun           23-04-10 - Mon           23-04-11 - Tue           23-04-12 - Wed
23-04-13 - Thu           23-04-14 - Fri           23-04-15 - Sat           23-04-16 - Sun

  0%|          | 0/3 [00:00<?, ?it/s]


visual_stationarity_6(df_dd_12, list_columns)

  0%|          | 0/3 [00:00<?, ?it/s]


# Настроим, чтобы числа в датасетах отражались с 3 знаками после запятой
pd.set_option('display.float_format', '{:.3f}'.format) 

df_test_DF = pd.DataFrame(columns=[
    'source', 'ADF criterion', 'P-value', 'Critical value 1%',
    'Critical values 5%', 'Conclusion'])

# Запуск исполнения теста
test_DF(df_dd_12, list_columns)

# Просмотр датафрейма с результатами
display(df_test_DF) 

# Удалим ненужный более датафрейм
del df_test_DF


key_dict = 'Discord' # Установим в качестве источника информации 'Discord'.
list_columns = [str(key_dict + ' ' + \
                dict_columns[key_dict][i]) for i in range(6)]

decomposed = trend_seasonality(df_dd_12, key_dict, list_columns)

  0%|          | 0/6 [00:00<?, ?it/s]


date_start, date_stop = '2023-04-01', '2023-04-16'
 
calc_print_weekday(date_start, date_stop) 
volume_seasonal(df_dd_12, list_columns)

Дни недели:
23-04-01 - Sat           23-04-02 - Sun           23-04-03 - Mon           23-04-04 - Tue
23-04-05 - Wed           23-04-06 - Thu           23-04-07 - Fri           23-04-08 - Sat
23-04-09 - Sun           23-04-10 - Mon           23-04-11 - Tue           23-04-12 - Wed
23-04-13 - Thu           23-04-14 - Fri           23-04-15 - Sat           23-04-16 - Sun

  0%|          | 0/3 [00:00<?, ?it/s]


visual_stationarity_6(df_dd_12, list_columns)

  0%|          | 0/3 [00:00<?, ?it/s]


# Настроим, чтобы числа в датасетах отражались с 3 знаками после запятой
pd.set_option('display.float_format', '{:.3f}'.format) 

df_test_DF = pd.DataFrame(columns=[
    'source', 'ADF criterion', 'P-value', 'Critical value 1%',
    'Critical values 5%', 'Conclusion'])

# Запуск исполнения теста
test_DF(df_dd_12, list_columns)

# Просмотр датафрейма с результатами
display(df_test_DF) 

# Удалим ненужный более датафрейм
del df_test_DF


key_dict = 'Facebook' # Установим в качестве источника информации 'Facebook'.
list_columns = [str(key_dict + ' ' + \
                dict_columns[key_dict][i]) for i in range(6)]

decomposed = trend_seasonality(df_dd_12, key_dict, list_columns)

  0%|          | 0/6 [00:00<?, ?it/s]


date_start, date_stop = '2023-04-01', '2023-04-16'
 
calc_print_weekday(date_start, date_stop) 
volume_seasonal(df_dd_12, list_columns)

Дни недели:
23-04-01 - Sat           23-04-02 - Sun           23-04-03 - Mon           23-04-04 - Tue
23-04-05 - Wed           23-04-06 - Thu           23-04-07 - Fri           23-04-08 - Sat
23-04-09 - Sun           23-04-10 - Mon           23-04-11 - Tue           23-04-12 - Wed
23-04-13 - Thu           23-04-14 - Fri           23-04-15 - Sat           23-04-16 - Sun

  0%|          | 0/3 [00:00<?, ?it/s]


visual_stationarity_6(df_dd_12, list_columns)

  0%|          | 0/3 [00:00<?, ?it/s]


# Настроим, чтобы числа в датасетах отражались с 3 знаками после запятой
pd.set_option('display.float_format', '{:.3f}'.format) 

df_test_DF = pd.DataFrame(columns=[
    'source', 'ADF criterion', 'P-value', 'Critical value 1%',
    'Critical values 5%', 'Conclusion'])

# Запуск исполнения теста
test_DF(df_dd_12, list_columns)

# Просмотр датафрейма с результатами
display(df_test_DF) 

# Удалим ненужный более датафрейм
del df_test_DF


# уберем из памяти ненужный более датафрейм.
del df_dd_12


print("Размер полного датафрейма:", df_dd.shape)

df_dd_55 = df_dd[df_dd.age == 55]
if (df_dd.shape[0] / 6 == df_dd_55.shape[0]):
    print("Выделение части датафрейма проведено корректно.")
else:
    print("Произошла потеря данных!")
    
print("Размер датафрейма по возрастной категории 'от 55 лет':", 
      df_dd_55.shape)
df_dd_55.head(3)

Размер полного датафрейма: (516, 20)
Выделение части датафрейма проведено корректно.
Размер датафрейма по возрастной категории 'от 55 лет': (86, 20)


# Для удобства работы с с повторяющимися по функционалу колонками упакуем их к словарь.
dict_columns = {}

list_columns = df_dd_55.columns[1:-1]# Убрали Date и age
for num in range(0, len(list_columns), 6):
    key_dict = list_columns[num].split()[0]
    list_6col = []
    for i in range(6):
        list_6col.append(" ".join(list_columns[num+i].split()[1:]))
    dict_columns[key_dict] = list_6col


# Изобразим на графиках `Average Daily Duration` 
# данные о возрастной категории 'от 12 до 24 лет'.
for k_6col, v_6cols in dict_columns.items():
    plot_average_daily_duration(df_dd_55, k_6col, v_6cols)


key_dict = '2gis' # Установим в качестве источника информации '2gis'.
list_columns = [str(key_dict + ' ' + \
                dict_columns[key_dict][i]) for i in range(6)]

decomposed = trend_seasonality(df_dd_55, key_dict, list_columns)

  0%|          | 0/6 [00:00<?, ?it/s]


date_start, date_stop = '2023-04-01', '2023-04-16'
 
calc_print_weekday(date_start, date_stop) 
volume_seasonal(df_dd_55, list_columns)

Дни недели:
23-04-01 - Sat           23-04-02 - Sun           23-04-03 - Mon           23-04-04 - Tue
23-04-05 - Wed           23-04-06 - Thu           23-04-07 - Fri           23-04-08 - Sat
23-04-09 - Sun           23-04-10 - Mon           23-04-11 - Tue           23-04-12 - Wed
23-04-13 - Thu           23-04-14 - Fri           23-04-15 - Sat           23-04-16 - Sun

  0%|          | 0/3 [00:00<?, ?it/s]


visual_stationarity_6(df_dd_55, list_columns)

  0%|          | 0/3 [00:00<?, ?it/s]


# Настроим, чтобы числа в датасетах отражались с 3 знаками после запятой
pd.set_option('display.float_format', '{:.3f}'.format) 

df_test_DF = pd.DataFrame(columns=[
    'source', 'ADF criterion', 'P-value', 'Critical value 1%',
    'Critical values 5%', 'Conclusion'])

# Запуск исполнения теста
test_DF(df_dd_55, list_columns)

# Просмотр датафрейма с результатами
display(df_test_DF) 

# Удалим ненужный более датафрейм
del df_test_DF


key_dict = 'Discord' # Установим в качестве источника информации 'Discord'.
list_columns = [str(key_dict + ' ' + \
                dict_columns[key_dict][i]) for i in range(6)]

decomposed = trend_seasonality(df_dd_55, key_dict, list_columns)

  0%|          | 0/6 [00:00<?, ?it/s]


date_start, date_stop = '2023-04-01', '2023-04-16'
 
calc_print_weekday(date_start, date_stop) 
volume_seasonal(df_dd_55, list_columns)

Дни недели:
23-04-01 - Sat           23-04-02 - Sun           23-04-03 - Mon           23-04-04 - Tue
23-04-05 - Wed           23-04-06 - Thu           23-04-07 - Fri           23-04-08 - Sat
23-04-09 - Sun           23-04-10 - Mon           23-04-11 - Tue           23-04-12 - Wed
23-04-13 - Thu           23-04-14 - Fri           23-04-15 - Sat           23-04-16 - Sun

  0%|          | 0/3 [00:00<?, ?it/s]


visual_stationarity_6(df_dd_55, list_columns)

  0%|          | 0/3 [00:00<?, ?it/s]


# Настроим, чтобы числа в датасетах отражались с 3 знаками после запятой
pd.set_option('display.float_format', '{:.3f}'.format) 

df_test_DF = pd.DataFrame(columns=[
    'source', 'ADF criterion', 'P-value', 'Critical value 1%',
    'Critical values 5%', 'Conclusion'])

# Запуск исполнения теста
test_DF(df_dd_55, list_columns)

# Просмотр датафрейма с результатами
display(df_test_DF) 

# Удалим ненужный более датафрейм
del df_test_DF


key_dict = 'Facebook' # Установим в качестве источника информации 'Facebook'.
list_columns = [str(key_dict + ' ' + \
                dict_columns[key_dict][i]) for i in range(6)]

decomposed = trend_seasonality(df_dd_55, key_dict, list_columns)

  0%|          | 0/6 [00:00<?, ?it/s]


date_start, date_stop = '2023-04-01', '2023-04-16'
 
calc_print_weekday(date_start, date_stop) 
volume_seasonal(df_dd_55, list_columns)

Дни недели:
23-04-01 - Sat           23-04-02 - Sun           23-04-03 - Mon           23-04-04 - Tue
23-04-05 - Wed           23-04-06 - Thu           23-04-07 - Fri           23-04-08 - Sat
23-04-09 - Sun           23-04-10 - Mon           23-04-11 - Tue           23-04-12 - Wed
23-04-13 - Thu           23-04-14 - Fri           23-04-15 - Sat           23-04-16 - Sun

  0%|          | 0/3 [00:00<?, ?it/s]


visual_stationarity_6(df_dd_55, list_columns)

  0%|          | 0/3 [00:00<?, ?it/s]


# Настроим, чтобы числа в датасетах отражались с 3 знаками после запятой
pd.set_option('display.float_format', '{:.3f}'.format) 

df_test_DF = pd.DataFrame(columns=[
    'source', 'ADF criterion', 'P-value', 'Critical value 1%',
    'Critical values 5%', 'Conclusion'])

# Запуск исполнения теста
test_DF(df_dd_55, list_columns)

# Просмотр датафрейма с результатами
display(df_test_DF) 

# Удалим ненужный более датафрейм
del df_test_DF


# уберем из памяти ненужный более датафрейм.
del df_dd_55


AddPerP	Average Daily Duration на население
	Среднее количество минут в день, проведенное человеком на медиа объекте. Рассчитывается время контакта с медиа объектом для среднего пользователя относительно генеральной совокупности.
AddPerU	Average Daily Duration на пользователей
	Среднее количество минут в день, проведенное пользователем на медиа объекте. Рассчитывается время контакта с медиа объектом для среднего пользователя относительно среднедневной аудитории медиа объекта.
ADR	Average Daily Reach
	Рассчитывается как среднее арифметическое Reach каждого из дней, входящих в заданный период. Даже если данные по медиа объекту отсутствуют в части дней из отобранного периода, среднее арифметическое рассчитывается по всем дням, а не по тем, где были данные.
OTS	Opportunity To See
	Общее количество загрузок страниц/ открытий приложений медиа объекта за указанный период в рамках заданной соц.-дем. группы.
ADATT	Average Daily Attention
	Средняя доля проведенного на медиа объекте времени от общего времени пребывания в интернете за день.
Reach	Reach
	Количество человек в генеральной совокупности или в заданной соц.-дем. группе, которые зашли на страницы/ открыли приложения медиа объекта, входящие в него, хотя бы один раз за указанный период.
ReachPer	Reach%
	Количество человек, заходивших на медиа объект хотя бы один раз за указанный период, в % от генеральной совокупности или заданной соц.-дем. группы.

	Date	2gis Web Desktop AddPerP	2gis Web Desktop AddPerU	2gis App Mobile AddPerP	2gis App Mobile AddPerU	2gis Web Mobile AddPerP	2gis Web Mobile AddPerU	Discord Web Desktop AddPerP	Discord Web Desktop AddPerU	Discord App Mobile AddPerP	Discord App Mobile AddPerU	Discord Web Mobile AddPerU	Facebook Web Desktop AddPerP	Facebook Web Desktop AddPerU	Facebook App Mobile AddPerP	Facebook App Mobile AddPerU	Facebook Web Mobile AddPerU	Google Карты Web Desktop AddPerP	Google Карты Web Desktop AddPerU	Google Карты App Mobile AddPerP	Google Карты App Mobile AddPerU	Google Карты Web Mobile AddPerU	...	Лента: Lenta Web Desktop AddPerP	Лента: Lenta Desktop AddPerU	Лента: Lenta App Mobile AddPerP	Лента: Lenta App Mobile AddPerU	Лента: Lenta Web Mobile AddPerU	Яндекс.Картинки Lenta Web Desktop AddPerP	Яндекс.Картинки Lenta Desktop AddPerU	Яндекс.Картинки App Mobile AddPerP	Яндекс.Картинки App Mobile AddPerU	Яндекс.Картинки Web Mobile AddPerP	Яндекс.Картинки Web Mobile AddPerU	Яндекс.Карты Lenta Web Desktop AddPerP	Яндекс.Карты Lenta Desktop AddPerU	Яндекс.Карты App Mobile AddPerP	Яндекс.Карты App Mobile AddPerU	Яндекс.Карты Web Mobile AddPerP	Яндекс.Карты Web Mobile AddPerU	Яндекс.Новости Lenta Web Desktop AddPerP	Яндекс.Новости Lenta Desktop AddPerU	Яндекс.Новости App Mobile AddPerP	Яндекс.Новости App Mobile AddPerU	Яндекс.Новости Web Mobile AddPerP	Яндекс.Новости Web Mobile AddPerU
0	01.04.2023	0.010	3.270	0.360	10.430	0.000	0.930	0.030	8.690	0.430	20.980	0.410	0.020	14.530	0.070	9.400	0.370	0.010	3.850	0.180	7.100	0.940	...	0.000	5.780	0.020	3.530	1.170	0.110	3.900	NaN	NaN	0.040	1.920	0.050	4.960	0.590	9.770	0.010	2.230	0.000	0.080	NaN	NaN	NaN	NaN
1	02.04.2023	0.010	2.290	0.300	9.110	0.000	0.970	0.030	8.370	0.440	20.240	0.220	0.030	19.410	0.070	11.240	0.270	0.010	3.780	0.130	5.570	0.650	...	0.010	7.040	0.020	2.800	1.170	0.160	4.740	NaN	NaN	0.040	1.860	0.040	4.170	0.560	10.170	0.010	3.670	0.000	0.120	NaN	NaN	0.000	0.050
2	03.04.2023	0.020	4.310	0.260	6.960	0.010	1.100	0.010	3.410	0.350	17.810	0.490	0.030	18.170	0.060	8.310	0.180	0.030	7.600	0.120	4.710	0.810	...	0.000	2.640	0.030	3.430	1.000	0.160	4.520	NaN	NaN	0.040	1.830	0.080	5.060	0.640	9.650	0.010	3.470	NaN	NaN	NaN	NaN	0.000	0.050

	Date	2gis Web Desktop AddPerP	2gis Web Desktop AddPerU	2gis App Mobile AddPerP	2gis App Mobile AddPerU	2gis Web Mobile AddPerP	2gis Web Mobile AddPerU	Discord Web Desktop AddPerP	Discord Web Desktop AddPerU	Discord App Mobile AddPerP	Discord App Mobile AddPerU	Discord Web Mobile AddPerP	Discord Web Mobile AddPerU	Facebook Web Desktop AddPerP	Facebook Web Desktop AddPerU	Facebook App Mobile AddPerP	Facebook App Mobile AddPerU	Facebook Web Mobile AddPerP	Facebook Web Mobile AddPerU	age
0	01.04.2023	0.010	3.270	0.360	10.430	0.000	0.930	0.030	8.690	0.430	20.980	0.000	0.410	0.020	14.530	0.070	9.400	0.000	0.370	0
1	02.04.2023	0.010	2.290	0.300	9.110	0.000	0.970	0.030	8.370	0.440	20.240	0.000	0.220	0.030	19.410	0.070	11.240	0.000	0.270	0

	Date	2gis Web Desktop AddPerP	2gis Web Desktop AddPerU	2gis App Mobile AddPerP	2gis App Mobile AddPerU	2gis Web Mobile AddPerP	2gis Web Mobile AddPerU	Discord Web Desktop AddPerP	Discord Web Desktop AddPerU	Discord App Mobile AddPerP	Discord App Mobile AddPerU	Discord Web Mobile AddPerU	Facebook Web Desktop AddPerP	Facebook Web Desktop AddPerU	Facebook App Mobile AddPerP	Facebook App Mobile AddPerU	Facebook Web Mobile AddPerP	Facebook Web Mobile AddPerU	age
0	2023-04-01	0.010	3.270	0.360	10.430	0.000	0.930	0.030	8.690	0.430	20.980	0.410	0.020	14.530	0.070	9.400	0.000	0.370	0
86	2023-04-01	0.010	3.920	0.310	7.640	0.000	0.980	0.090	10.280	2.010	22.600	0.390	0.000	0.030	0.010	3.660	0.000	0.090	12
172	2023-04-01	0.010	2.150	0.630	9.850	0.010	1.230	0.000	0.830	0.360	17.150	0.500	0.000	1.390	0.050	7.290	0.000	0.170	25
258	2023-04-01	0.020	5.600	0.480	8.850	0.000	0.610	0.020	7.050	0.110	11.300	0.250	0.010	7.730	0.130	15.050	0.000	0.150	35
344	2023-04-01	0.010	2.530	0.240	8.630	0.000	0.780	0.040	17.430	0.230	35.610	0.610	0.010	6.660	0.090	8.450	0.010	1.500	45
430	2023-04-01	0.000	2.710	0.240	23.710	0.000	0.940	0.010	6.390	0.010	6.810	0.120	0.050	23.490	0.060	8.220	0.000	0.560	55
1	2023-04-02	0.010	2.290	0.300	9.110	0.000	0.970	0.030	8.370	0.440	20.240	0.220	0.030	19.410	0.070	11.240	0.000	0.270	0

	Date	2gis Web Desktop AddPerP	2gis Web Desktop AddPerU	2gis App Mobile AddPerP	2gis App Mobile AddPerU	2gis Web Mobile AddPerP	2gis Web Mobile AddPerU	Discord Web Desktop AddPerP	Discord Web Desktop AddPerU	Discord App Mobile AddPerP	Discord App Mobile AddPerU	Discord Web Mobile AddPerU	Facebook Web Desktop AddPerP	Facebook Web Desktop AddPerU	Facebook App Mobile AddPerP	Facebook App Mobile AddPerU	Facebook Web Mobile AddPerU
0	2023-04-01	0.010	3.270	0.360	10.430	0.000	0.930	0.030	8.690	0.430	20.980	0.410	0.020	14.530	0.070	9.400	0.370
1	2023-04-02	0.010	2.290	0.300	9.110	0.000	0.970	0.030	8.370	0.440	20.240	0.220	0.030	19.410	0.070	11.240	0.270
2	2023-04-03	0.020	4.310	0.260	6.960	0.010	1.100	0.010	3.410	0.350	17.810	0.490	0.030	18.170	0.060	8.310	0.180

Исследование поведения аудитории: 1.

Автор:

Описание проекта.

Описание данных.

Описание метрик в файлах:

Задача на проект 1.

План работы.

1. Импорт библиотек.

2. Загрузка файлов с данными.

3. Изучение датасета и проведение первичной обработки данных.

4. EDA анализ.

4.1. Приведение к формату 'datetime' признака `Date`.¶

4.2. Отсортируем данные в хронологическом порядке.¶

4.3. Анализ `Average Daily Duration` суммарно по всем возрастным категориям.¶

4.3.1. Графическое представление `Average Daily Duration` суммарно по всем возрастным категориям.¶

4.3.2. Анализ на наличие трендов и сезонности `Average Daily Duration` суммарно по всем возрастным категориям.¶

4.3.2.1. Наличие трендов и периодичности по данным от `2gis`.¶

4.3.2.2. Наличие трендов и периодичности по данным от `Discord`.¶

4.3.2.3. Наличие трендов и периодичности по данным от `Facebook`.¶

4.4. Анализ `Average Daily Duration` по возрастной категории 'до 12 лет'.¶

4.4.1. Графическое представление `Average Daily Duration` по возрастной категории 'до 12 лет'.¶

4.4.2. Анализ на наличие трендов и сезонности `Average Daily Duration` по возрастной категории 'до 12 лет'.¶

4.4.2.1. Наличие трендов и периодичности по данным от `2gis`.¶

4.4.2.2. Наличие трендов и периодичности по данным от `Discord`.¶

4.4.2.3. Наличие трендов и периодичности по данным от `Facebook`.¶

4.5. Анализ `Average Daily Duration` по возрастной категории 'от 12 до 24 лет'.¶

4.5.1. Графическое представление `Average Daily Duration` по возрастной категории 'от 12 до 24 лет'.¶

4.5.2. Анализ на наличие трендов и сезонности `Average Daily Duration` по возрастной категории 'от 12 до 24 лет'.¶¶

4.5.2.1. Наличие трендов и периодичности по данным от `2gis`.¶

4.5.2.2. Наличие трендов и периодичности по данным от `Discord`.¶

4.5.2.3. Наличие трендов и периодичности по данным от `Facebook`.¶

4.6. Анализ `Average Daily Duration` по возрастной категории 'от 55 лет'.¶

4.6.1. Графическое представление `Average Daily Duration` по возрастной категории 'от 55 лет'.¶

4.6.2. Анализ на наличие трендов и сезонности `Average Daily Duration` по возрастной категории 'от 55 лет'.¶

4.6.2.1. Наличие трендов и периодичности по данным от `2gis`.¶

4.6.2.2. Наличие трендов и периодичности по данным от `Discord`.¶

4.6.2.3. Наличие трендов и периодичности по данным от `Facebook`.¶

5. Итоговые выводы.

	source	ADF criterion	P-value	Critical value 1%	Critical values 5%	Conclusion
0	2gis Web Desktop AddPerP	-4.947	0.000	-3.444	-2.867	Стационарен.
1	2gis Web Desktop AddPerU	-6.738	0.000	-3.443	-2.867	Стационарен.
2	2gis App Mobile AddPerP	-3.484	0.008	-3.444	-2.867	Стационарен.
3	2gis App Mobile AddPerU	-4.342	0.000	-3.443	-2.867	Стационарен.
4	2gis Web Mobile AddPerP	-6.632	0.000	-3.443	-2.867	Стационарен.
5	2gis Web Mobile AddPerU	-3.566	0.006	-3.444	-2.867	Стационарен.

	source	ADF criterion	P-value	Critical value 1%	Critical values 5%	Conclusion
0	Discord Web Desktop AddPerP	-5.267	0.000	-3.444	-2.867	Стационарен.
1	Discord Web Desktop AddPerU	-5.394	0.000	-3.443	-2.867	Стационарен.
2	Discord App Mobile AddPerP	-4.633	0.000	-3.444	-2.867	Стационарен.
3	Discord App Mobile AddPerU	-3.925	0.002	-3.443	-2.867	Стационарен.
4	Discord Web Mobile AddPerP	-22.893	0.000	-3.443	-2.867	Стационарен.
5	Discord Web Mobile AddPerU	-7.341	0.000	-3.443	-2.867	Стационарен.

	source	ADF criterion	P-value	Critical value 1%	Critical values 5%	Conclusion
0	Facebook Web Desktop AddPerP	-3.702	0.004	-3.444	-2.867	Стационарен.
1	Facebook Web Desktop AddPerU	-4.963	0.000	-3.444	-2.867	Стационарен.
2	Facebook App Mobile AddPerP	-3.411	0.011	-3.444	-2.867	Стационарен.
3	Facebook App Mobile AddPerU	-3.709	0.004	-3.444	-2.867	Стационарен.
4	Facebook Web Mobile AddPerP	-13.997	0.000	-3.443	-2.867	Стационарен.
5	Facebook Web Mobile AddPerU	-13.552	0.000	-3.443	-2.867	Стационарен.

	source	ADF criterion	P-value	Critical value 1%	Critical values 5%	Conclusion
0	2gis Web Desktop AddPerP	-4.858	0.000	-3.511	-2.897	Стационарен.
1	2gis Web Desktop AddPerU	-3.925	0.002	-3.513	-2.897	Стационарен.
2	2gis App Mobile AddPerP	-1.186	0.679	-3.516	-2.899	НЕ стационарен!
3	2gis App Mobile AddPerU	-6.173	0.000	-3.510	-2.896	Стационарен.
4	2gis Web Mobile AddPerP	-6.939	0.000	-3.511	-2.897	Стационарен.
5	2gis Web Mobile AddPerU	-7.321	0.000	-3.510	-2.896	Стационарен.

	source	ADF criterion	P-value	Critical value 1%	Critical values 5%	Conclusion
0	Discord Web Desktop AddPerP	-4.384	0.000	-3.515	-2.898	Стационарен.
1	Discord Web Desktop AddPerU	-8.098	0.000	-3.510	-2.896	Стационарен.
2	Discord App Mobile AddPerP	-2.073	0.255	-3.516	-2.899	НЕ стационарен!
3	Discord App Mobile AddPerU	-2.072	0.256	-3.521	-2.901	НЕ стационарен!
4	Discord Web Mobile AddPerP	NaN	NaN	-3.510	-2.896	НЕ стационарен!
5	Discord Web Mobile AddPerU	-8.091	0.000	-3.510	-2.896	Стационарен.

	source	ADF criterion	P-value	Critical value 1%	Critical values 5%	Conclusion
0	Facebook Web Desktop AddPerP	-7.220	0.000	-3.510	-2.896	Стационарен.
1	Facebook Web Desktop AddPerU	-7.891	0.000	-3.510	-2.896	Стационарен.
2	Facebook App Mobile AddPerP	-0.039	0.955	-3.519	-2.900	НЕ стационарен!
3	Facebook App Mobile AddPerU	-0.449	0.902	-3.519	-2.900	НЕ стационарен!
4	Facebook Web Mobile AddPerP	-9.220	0.000	-3.510	-2.896	Стационарен.
5	Facebook Web Mobile AddPerU	-9.187	0.000	-3.510	-2.896	Стационарен.

	source	ADF criterion	Critical value 1%	Critical values 5%	Conclusion
0	2gis Web Desktop AddPerP	-8.702	-3.510	-2.896	Стационарен.
1	2gis Web Desktop AddPerU	-7.924	-3.510	-2.896	Стационарен.
2	2gis App Mobile AddPerP	-4.730	-3.511	-2.897	Стационарен.
3	2gis App Mobile AddPerU	-5.339	-3.511	-2.897	Стационарен.
4	2gis Web Mobile AddPerP	-7.771	-3.510	-2.896	Стационарен.
5	2gis Web Mobile AddPerU	-6.928	-3.510	-2.896	Стационарен.

	source	ADF criterion	P-value	Critical value 1%	Critical values 5%	Conclusion
0	Discord Web Desktop AddPerP	-7.582	0.000	-3.510	-2.896	Стационарен.
1	Discord Web Desktop AddPerU	-7.570	0.000	-3.510	-2.896	Стационарен.
2	Discord App Mobile AddPerP	-8.804	0.000	-3.510	-2.896	Стационарен.
3	Discord App Mobile AddPerU	-1.857	0.353	-3.516	-2.899	НЕ стационарен!
4	Discord Web Mobile AddPerP	-9.519	0.000	-3.510	-2.896	Стационарен.
5	Discord Web Mobile AddPerU	-9.451	0.000	-3.510	-2.896	Стационарен.

	source	ADF criterion	Critical value 1%	Critical values 5%	Conclusion
0	2gis Web Desktop AddPerP	-10.255	-3.510	-2.896	Стационарен.
1	2gis Web Desktop AddPerU	-8.486	-3.511	-2.897	Стационарен.
2	2gis App Mobile AddPerP	-7.770	-3.510	-2.896	Стационарен.
3	2gis App Mobile AddPerU	-8.195	-3.510	-2.896	Стационарен.
4	2gis Web Mobile AddPerP	-9.757	-3.510	-2.896	Стационарен.
5	2gis Web Mobile AddPerU	-8.365	-3.510	-2.896	Стационарен.

	source	ADF criterion	P-value	Critical value 1%	Critical values 5%	Conclusion
0	Discord Web Desktop AddPerP	-10.853	0.000	-3.510	-2.896	Стационарен.
1	Discord Web Desktop AddPerU	-1.424	0.571	-3.521	-2.901	НЕ стационарен!
2	Discord App Mobile AddPerP	-4.276	0.000	-3.513	-2.897	Стационарен.
3	Discord App Mobile AddPerU	-2.901	0.045	-3.512	-2.897	Стационарен.
4	Discord Web Mobile AddPerP	NaN	NaN	-3.510	-2.896	НЕ стационарен!
5	Discord Web Mobile AddPerU	-6.162	0.000	-3.510	-2.896	Стационарен.

Исследование поведения аудитории: 1.

Автор:

Описание проекта.

Описание данных.

Описание метрик в файлах:

Задача на проект 1.

План работы.

1. Импорт библиотек.

2. Загрузка файлов с данными.

3. Изучение датасета и проведение первичной обработки данных.

4. EDA анализ.

4.1. Приведение к формату 'datetime' признака Date.¶

4.2. Отсортируем данные в хронологическом порядке.¶

4.3. Анализ Average Daily Duration суммарно по всем возрастным категориям.¶

4.3.1. Графическое представление Average Daily Duration суммарно по всем возрастным категориям.¶

4.3.2. Анализ на наличие трендов и сезонности Average Daily Duration суммарно по всем возрастным категориям.¶

4.3.2.1. Наличие трендов и периодичности по данным от 2gis.¶

4.3.2.2. Наличие трендов и периодичности по данным от Discord.¶

4.3.2.3. Наличие трендов и периодичности по данным от Facebook.¶

4.4. Анализ Average Daily Duration по возрастной категории 'до 12 лет'.¶

4.4.1. Графическое представление Average Daily Duration по возрастной категории 'до 12 лет'.¶

4.4.2. Анализ на наличие трендов и сезонности Average Daily Duration по возрастной категории 'до 12 лет'.¶

4.4.2.1. Наличие трендов и периодичности по данным от 2gis.¶

4.4.2.2. Наличие трендов и периодичности по данным от Discord.¶

4.4.2.3. Наличие трендов и периодичности по данным от Facebook.¶

4.5. Анализ Average Daily Duration по возрастной категории 'от 12 до 24 лет'.¶

4.5.1. Графическое представление Average Daily Duration по возрастной категории 'от 12 до 24 лет'.¶

4.5.2. Анализ на наличие трендов и сезонности Average Daily Duration по возрастной категории 'от 12 до 24 лет'.¶¶

4.5.2.1. Наличие трендов и периодичности по данным от 2gis.¶

4.5.2.2. Наличие трендов и периодичности по данным от Discord.¶

4.5.2.3. Наличие трендов и периодичности по данным от Facebook.¶

4.6. Анализ Average Daily Duration по возрастной категории 'от 55 лет'.¶

4.6.1. Графическое представление Average Daily Duration по возрастной категории 'от 55 лет'.¶

4.6.2. Анализ на наличие трендов и сезонности Average Daily Duration по возрастной категории 'от 55 лет'.¶

4.6.2.1. Наличие трендов и периодичности по данным от 2gis.¶

4.6.2.2. Наличие трендов и периодичности по данным от Discord.¶

4.6.2.3. Наличие трендов и периодичности по данным от Facebook.¶

5. Итоговые выводы.

4.1. Приведение к формату 'datetime' признака `Date`.¶

4.3. Анализ `Average Daily Duration` суммарно по всем возрастным категориям.¶

4.3.1. Графическое представление `Average Daily Duration` суммарно по всем возрастным категориям.¶

4.3.2. Анализ на наличие трендов и сезонности `Average Daily Duration` суммарно по всем возрастным категориям.¶

4.3.2.1. Наличие трендов и периодичности по данным от `2gis`.¶

4.3.2.2. Наличие трендов и периодичности по данным от `Discord`.¶

4.3.2.3. Наличие трендов и периодичности по данным от `Facebook`.¶

4.4. Анализ `Average Daily Duration` по возрастной категории 'до 12 лет'.¶

4.4.1. Графическое представление `Average Daily Duration` по возрастной категории 'до 12 лет'.¶

4.4.2. Анализ на наличие трендов и сезонности `Average Daily Duration` по возрастной категории 'до 12 лет'.¶

4.4.2.1. Наличие трендов и периодичности по данным от `2gis`.¶

4.4.2.2. Наличие трендов и периодичности по данным от `Discord`.¶

4.4.2.3. Наличие трендов и периодичности по данным от `Facebook`.¶

4.5. Анализ `Average Daily Duration` по возрастной категории 'от 12 до 24 лет'.¶

4.5.1. Графическое представление `Average Daily Duration` по возрастной категории 'от 12 до 24 лет'.¶

4.5.2. Анализ на наличие трендов и сезонности `Average Daily Duration` по возрастной категории 'от 12 до 24 лет'.¶¶

4.5.2.1. Наличие трендов и периодичности по данным от `2gis`.¶

4.5.2.2. Наличие трендов и периодичности по данным от `Discord`.¶

4.5.2.3. Наличие трендов и периодичности по данным от `Facebook`.¶

4.6. Анализ `Average Daily Duration` по возрастной категории 'от 55 лет'.¶

4.6.1. Графическое представление `Average Daily Duration` по возрастной категории 'от 55 лет'.¶

4.6.2. Анализ на наличие трендов и сезонности `Average Daily Duration` по возрастной категории 'от 55 лет'.¶

4.6.2.1. Наличие трендов и периодичности по данным от `2gis`.¶

4.6.2.2. Наличие трендов и периодичности по данным от `Discord`.¶

4.6.2.3. Наличие трендов и периодичности по данным от `Facebook`.¶